发明内容
针对数控机床的故障特点和现有故障预测方法存在的上述不足之处,本发明要解决的技术问题是提供一种能够提高数控机床整机及子***的故障预测能力、增强预测鲁棒性、具有良好应用前景的基于故障先兆判定模型和动态置信度匹配的面向数控机床的故障预测方法。
为解决上述技术问题,本发明采用的技术方案是:
本发明一种面向数控机床的故障预测方法包括以下步骤:
采用递阶式层次结构模型划分数控机床为多个核心子***,分析其典型渐变故障;
在各核心子***中安装温度、振动、噪声传感器,将采集到的机床运行状态数据样本发送到故障预测上位机中,得到各传感器参数数据集,使用邻域粗糙集方法约简传感器参数数据集,得到故障先兆参数数据集以及参数与故障的相对关联程度;
以故障发生点为界限,根据故障演变速度选取各故障先兆参数历史数据集并按照时间序列进行划分,得到相应的故障先兆状态序列;
采用小波分析技术提炼不同时间间隔内历史数据的故障先兆特征向量,采用反向传播神经网络离线训练故障先兆特征向量,得到各参数的故障先兆判定模型;
根据各参数的故障先兆状态序列,初始化各状态置信度、累计置信度及其他临时变量,对各传感器实时采集的机床数据样本进行小波分析,采用反向传播神经网络对特征向量进行在线故障先兆模型识别,得到各参数实时数据样本的当前状态;
判断当前状态与故障先兆状态序列的匹配情况,如果当前状态与故障先兆状态序列中的某一状态匹配,则比较当前状态匹配序号与前次状态匹配序号,如果前次状态匹配序号小于当前状态匹配序号,则判断降序计数是否大于0,如果等于0,则累计置信度快速上升,并进一步判断累计置信度是否达到参数报警阈值,如果大于0,则累计置信度平缓上升,并进一步判断累计置信度是否达到参数报警阈值;
判断累计置信度是否达到参数报警阈值,如果达到,则该参数发出报警,获取此刻故障所有先兆表征参数的累计置信度,借助各参数的相对关联程度,计算故障的发生概率;
判断该概率是否达到故障报警阈值,如果达到,则从可靠性和准确性的角度出发,选择在时序上距离故障发生最近的故障先兆参数的匹配状态,以及累计置信度与相对关联程度乘积最大的故障先兆参数的匹配状态,分别预测距离故障发生的时间,取两个时间的平均值即为最终故障的预测发生时间。
如果所述前次状态匹配序号等于所述当前状态匹配序号,则判断当前序号在故障先兆状态序列中所处的位置,如果处于序列的前部,则累计置信度下降,并进一步判断累计置信度是否达到参数报警阈值,如果处于序列的尾部,则累计置信度上升,并进一步判断累计置信度是否达到参数报警阈值,如果处于序列的中部,则累计置信度根据实际状态的升降趋势进行相应的改变,并进一步判断累计置信度是否达到参数报警阈值。
如果所述前次状态匹配序号大于所述当前状态匹配序号,则判断升序计数是否大于0,如果等于0,则累计置信度快速下降,并进一步判断累计置信度是否达到参数报警阈值,如果大于0,则累计置信度平缓下降,并进一步判断累计置信度是否达到参数报警阈值。
如果所述当前状态与所述故障先兆状态序列中的任何状态均不匹配,则继续判断前次状态与序列中的状态是否匹配,如果仍不匹配,则降低累计置信度,并进一步判断累计置信度是否达到参数报警阈值,如果前次状态与故障先兆状态序列中的某一状态匹配,则保持累计置信度不变,并进一步判断累计置信度是否达到参数报警阈值。
如果所述累计置信度未达到参数报警阈值,则继续实时采集机床数据样本,重复上述匹配过程。
如果所述故障的发生概率未达到故障报警阈值,则继续实时采集机床数据样本,重复上述匹配过程。
所述递阶式层次结构模型具体为:将数控机床按照机床整机级、子***级、故障级、参数级、特征级和状态级六个不同层级递阶式构造结构模型,其中,子***级为数控机床的核心子***,故障级为每个子***的典型渐变故障,参数级为能够表征故障的故障先兆参数,特征级为故障发生前各故障先兆参数的数据特征,状态级为故障演变/恢复过程中各数据特征对应的故障先兆状态。
所述根据故障演变速度选取各故障先兆参数历史数据集并按照时间序列进行划分为根据故障演变速度选取故障发生前一定时间范围内的故障先兆参数数据集,按照等长时间间隔划分该数据集;所述故障先兆状态序列中的一种状态用于表征对应间隔内包含的采样数据值;所述反向传播神经网络以故障先兆特征向量的各分量作为输入,对应的故障先兆状态为输出。
所述故障先兆状态序列中各状态的初始置信度可以表示为
其中,p
t为故障的第t个故障先兆参数数据集,
为按照时间间隔划分数据集的次数,对应故障先兆状态序列中的状态数,
为匹配的状态号;处于故障先兆状态序列前部的状态具有较低的初始置信度,处于故障先兆状态序列尾部的状态具有较高的初始置信度;初始置信度递增幅度随着故障先兆状态的顺序匹配而先逐渐增大后趋于平缓;故障演变过程顺序经历全部故障先兆状态后的累计置信度为1。
所述故障发生概率的计算方法为
其中,p
t为故障的第t个故障先兆参数数据集,P为故障先兆参数的个数。
本发明具有以下有益效果及优点:
1.有效提高机床整机及子***的故障预测能力。本发明方法针对机床整机及子***的一次渐变性故障历史记录,综合利用时间序列、小波分析、BP神经网络和信息融合技术,监测多故障先兆参数实时状态与先兆状态序列的动态匹配,根据累计置信度预测故障的发生时间,具备预测准确率高、预测时差小、预测虚警率低的特点,因此能够有效提高机床整机及子***的故障预测能力。
2.鲁棒性强。由于本发明方法针对机床整机及子***的多故障参数进行融合预测,能够适应一定程度上机床工作环境、***参数的变化,避免单故障参数丢失信息的缺憾,同时,采用多先兆状态序列表征故障演变过程,对微小状态变化敏感,因此具有良好的鲁棒性。
3.应用前景广阔。由于本发明方法所需先验知识少,对原始数据要求低,仅针对机床整机及子***的一次渐变性故障历史记录,即可得到故障先兆判定模型,并且,同一次故障发生时机床的工作环境、***参数等条件相同,采样数据生成的模型更精确,因此具有良好的应用前景。
具体实施方式
下面结合附图及实施例对本发明一种面向数控机床的故障预测方法的实施方式进行详细说明。
如图1所示,为本发明方法应用的故障预测***结构图。该图中使用温度、噪声、振动传感器采集数控机床整机及核心子***的机床运行状态数据,温度数据经由温度采集板初步处理发送至数据采集主控制盒,噪声数据经由信号调理器初步处理发送至数据采集主控制盒,振动数据直接发送至数据采集主控制盒,数据采集主控制盒将各传感器数据进行统一去噪滤波后发送至故障预测上位机。
如图2所示,为本发明方法流程图。步骤S1采用递阶式层次结构模型划分数控机床为多个核心子***并分析其典型渐变故障;步骤S2使用传感器采集机床运行状态数据,约简传感器参数数据集,得到故障先兆参数数据集以及参数与故障的相对关联程度;步骤S3以故障发生点为界限,根据故障演变速度选取各故障先兆参数历史数据集并按照时间序列进行划分,得到相应的故障先兆状态序列;步骤S4采用小波分析技术提炼不同时间间隔内历史数据的故障先兆特征向量,采用反向传播神经网络离线训练故障先兆特征向量,得到各参数的故障先兆判定模型;步骤S5采用动态置信度匹配算法在线监测各故障先兆参数的累计置信度,从可靠性和正确性的角度融合各故障先兆参数的状态动态匹配结果,在线预测故障发生的概率及时间。
如图3所示,为本发明方法中故障先兆判定模型的构造过程示意图。具体实现方法如下:
将数控机床按照机床整机级、子***级、故障级、参数级、特征级和状态级构造递阶式层次结构模型,其中子***级包括为U个核心子***,故障级针对每个子***分析其典型渐变故障
个,其中k∈[1,U];
针对一种渐变性故障f的历史记录,采用邻域粗糙集方法(Rough Set,RS)对传感器参数数据集进行约简,得到故障先兆参数数据集{pt|t∈[1,P]},以及各参数与故障的相对关联程度
分析故障演变速度,以故障发生点为界限,选取一定时间范围内的故障先兆参数历史数据集p
t,按照等长时间间隔进行
次划分,取间隔内
个采样值,则
每个间隔内包含的采样值对应故障先兆状态序列中的一个状态;
对xi,j进行小波分解,得到m维故障先兆特征向量ei,j=(a1,a2,…,am);
使用BP神经网络训练并测试,得到故障先兆判定模型
其中,
中的m个分量为神经网络的输入,
为神经网络的连接权值,故障先兆状态
为神经网络的输出,
为
个输入样本。
如图4所示,为本发明方法中动态置信度匹配算法示意图。其中,置信度指预测故障发生的可信程度;
指故障先兆状态序列,包括故障发生前参数p
t对应的基于时间序列的故障先兆状态,状态数E为
个;
指
的初始置信度;
指状态匹配过程中p
t的动态累计置信度;CTH指参如p
t的报警阈值;
指p
t的实时数据样本;
指
的特征向量;
指p
t的故障先兆判定模型;
指
经
识别后的状态;pre和now指前次匹配和当前匹配的状态序号;up指先兆状态上升趋势计数,即升序计数;down指先兆状态下降趋势计数,即降序计数;equal指先兆状态重复匹配次数,即平序计数;ρ指
的降低系数,用于故障先兆状态重复匹配情况;E
1和E
2指划分区间
的边界值;
指p
t的相对关联程度;PR指故障发生概率;PRTH指预测故障f发生的报警阈值。
具体包括以下步骤:
获取故障先兆状态序列
初始化算法所需的各数据量:
up,down,equal,E
1,E
2,ρ,CTH,PRTH,
等;
实时采集机床数据样本
小波分解得特征向量
基于
进行神经网络在线故障先兆模型识别,获取实时数据样本的状态
判断当前状态
与故障先兆状态序列
的匹配情况,如果
与
中的某一状态匹配,则比较当前状态匹配序号now与前次状态匹配序号pre,如果pre<now,则up++,down=max(down-up,0),equal=0,根据down是否大于0,累计置信度变化如公式(1)所示,
如果pre=now,则up和down保持不变,equal++,根据now在序列中所处的位置,累计置信度变化如公式(2)所示,
如果pre>now,则down++,up=max(up-down,0),equal=0,根据up是否大于0,累计置信度变化如公式(3)所示,
如果
与
中的任何状态均不匹配,则说明当前状态为正常状态
继续判断前次状态
是否与
中的状态匹配,如果仍不匹配,则up和down保持不变,equal++,
如果
与
中的某一状态匹配,则保持累计置信度不变;
判断
是否达到参数报警阈值CTH,如果未达到,则继续实时采集机床数据样本,重复上述匹配过程;
如果
达到CTH,则参如p
t发出报警,获取此刻故障所有先兆参数的累计置信度
借助该故障所有先兆参数的相对关联程度
计算故障的发生概率
判断概率PR是否达到故障报警阈值PRTH,如果未达到,则继续实时采集机床数据样本,重复上述匹配过程;
如果PR达到PRTH,则从可靠性的角度出发,选择在时序上距离故障发生最近的故障先兆参数的匹配状态,来预测距离故障发生的时间T
1,再从准确性的角度出发,选择满足
条件的故障先兆参数的匹配状态,来预测距离故障发生的时间T
2,取两个时间的平均值即为最终故障的预测发生时间。
如图5所示,为本发明方法中初始置信度及累计置信度曲线示意图。具体实现方法如下:
在故障的演变过程中,处于故障先兆状态序列前部的状态被误判的可能性较高,应赋予较低的初始置信度;处于故障先兆状态序列尾部的状态其将来发生故障的可能性越高,应赋予较高的初始置信度;为提高故障预测的效率,随着故障先兆状态的顺序匹配,初始置信度递增幅度应先逐渐增大后趋于平缓。因此,初始置信度的定义如公式(4)所示,
理想情况下,故障演变过程按照故障先兆状态序列顺序经历各故障先兆状态,则此时累计置信度和初始置信度的关系如公式(5)所示。
如图6所示,为本发明方法中正常状态偶然出现情况示意图。当
为正常状态而
为故障状态时,说明故障先兆状态识别过程中出现了偶然性正常状态的情况。该情况通常有两种原因:***通过维护进入正常状态,此时累计置信度应下降;***在故障演化过程中,由于电磁干扰、网络延迟、模式识别误差等因素,导致所得
不准确,此时累计置信度应不变。综合以上两种原因,为防止丢失预警,此种情况下累计置信度不变。
如图7所示,为本发明方法中故障先兆状态正向演化示意图。当pre<now时,说明故障先兆状态识别过程中出现了故障先兆状态正向演化的情况。该情况通常有三种原因:***处于故障演化过程,此时累计置信度应上升;***处于故障恢复过程,但由于电磁干扰、网络延迟、模式识别误差等因素,导致状态出现回旋匹配,其后续状态表明***仍然处于故障恢复过程,此时累计置信度应下降或者不变;***之前处于故障恢复过程,后又进入故障演化过程,此时累计置信度应上升。累计置信度的变化需要对以上三种原因做进一步判断。
如图8所示,为本发明方法中故障先兆状态平稳演化示意图。当pre=now时,说明故障先兆状态识别过程中出现了故障先兆状态平稳演化的情况。累计置信度的变化与
所处区间相关:若处于[1,E
1],则***平稳的可能性较大,累计置信度应下降;若处于
则***发生故障的可能性较大,累计置信度应上升;若处于(E
1,E
2),则累计置信度应根据实际状态升降趋势进行相应改变。
如图9所示,为本发明方法中故障先兆状态逆向演化示意图。当pre>now时,说明故障先兆状态识别过程中出现了故障先兆状态逆向演化的情况。该情况通常有三种原因:***处于故障恢复过程,此时累计置信度应下降;***处于故障演化过程,但由于电磁干扰、网络延迟、模式识别误差等因素,导致状态出现回旋匹配,其后续状态表明***仍然处于故障演化过程,此时累计置信度应上升或者不变;***之前处于故障演化过程,后又进入故障恢复过程,此时累计置信度应下降。累计置信度的变化需要对以上三种原因做进一步判断。
为验证本发明方法的有效性,通过立式加工中心中主轴传动子***润滑不良故障实验对本发明所述故障预测方法进行了研究,分析其故障预测准确率AR、故障预测时差TE和故障预测虚警率FAR。其中,AR是指预测方法准确预测故障发生的概率;TE是指预测方法预测故障发生时间与故障实际发生时间的误差,其均方差为
FAR是指预测方法预测故障发生但实际并未发生的概率。
图10以主轴传动子***为例对本发明方法做进一步说明。其中,VIBi(i=1,2)为电涡流式位移振动传感器,NOIi(i=1,2)为自由场型噪声传感器,TEMPi(i=1,2,…,12)为贴片式温度传感器。TEMP1、VIB1和NOI1安装在主轴电机,TEMP2、VIB2和NOI2安装在齿轮箱,TEMP3安装在主轴箱底板中部,TEMP4安装在主轴轴套,TEMP5安装在机床工作台,TEMP6安装在立柱下端,TEMP7安装在立柱上端,TEMP8安装在Z轴滚珠丝杠轴承,TEMP9和TEMP10安装在主轴箱侧板,TEMP11安装在主轴前轴承,TEMP12安装在主轴后轴承。
首先针对一次主轴润滑不良故障发生前300min的历史记录,使用领域粗糙集方法对各传感器参数数据集进行约简,得到故障先兆参数数据集{NOI2,NOI3,VIB2,VIB3,TEMP2,TEMP11,TEMP12},以及各参数与故障的相对关联程度{0.21,0.18,0.08,0.10,0.16,0.13,0.14}。然后以故障先兆状态数E划分参数数据集,得(300/E)min的时间间隔,对应故障先兆状态序列{s1,s2,…,sE},每(300/E)s选取一次采样值,则每个间隔得到60个训练原始样本,训练故障先兆判定模型,最后基于故障先兆判定模型和动态置信度匹配算法在线识别主轴运行状态,监测故障的演变。其中,历史记录中主轴转速为500rpm,采用db3小波对原始数据进行四层分解得到16维特征向量,BP神经网络采用“16输入-8隐含-1输出”的拓扑结构,动态置信度匹配算法中的ρ为0.01,CTH为0.7,PRTH为0.5,E1为E/3,E2为2E/3。
为说明不同主轴转速V和故障先兆状态数E对AR和TE的影响,分别以5、10、15、20、25的故障先兆状态数划分历史故障数据集,并构建相应的故障先兆判定模型,再分别以300rpm、500rpm、700rpm、1000rpm、1500rpm的主轴转速在润滑不良情况下运行。针对故障实际发生前300min的故障先兆参数数据集,以(300/E)min为间隔选取一组采样值,以(300/E)s为延迟得到60组采样值,分别基于不同状态数的故障先兆判定模型进行状态识别和动态置信度匹配,记录准确预测组数,则AR为准确预测组数与采样组数G之比。
如图11所示,为使用本发明方法所得的故障预测准确率结果图。随着主轴转速的增大,AR总体呈下降趋势。随着状态数的增加,AR先增大后减小。当主轴转速为300rpm、状态数为15时AR最高可达93.33%。
如图12、图13所示,分别为使用本发明方法所得的故障预测时差结果图和故障预测时差均方差结果图。不同主轴转速下,各状态数预测模型的TE集中在[-20min,20min]之间,
小于25min,对于渐变性故障而言可以接受,时间预测比较准确。
为说明不同主轴转速V和故障先兆状态数E对FAR的影响,分别以300rpm、500rpm、700rpm、1000rpm、1500rpm的主轴转速在润滑正常情况下运行300min。以(300/E)min为间隔选取一组采样值,以(300/E)s为延迟得到60组采样值,分别基于不同状态数的故障先兆判定模型进行状态识别和动态置信度匹配,记录虚警组数,则FAR为虚警组数与采样组数G之比。
如表1所示,为使用本发明方法所得的故障预测虚警率结果表。随着主轴转速的增大,故障预测虚警组数增多。当主轴转速为1500rpm并且状态数为5时,FAR最高为5%。当主轴转速较低(V<700rpm)时,FAR为0。
表1
以上结果表明,本发明方法具有故障预测准确率高、故障预测时差小、故障预测虚警率低、鲁棒性强的优点,能够有效提高数控机床整机及子***的故障预测能力,减少机床过剩检测与维修,确保机床可靠运行,具有良好的应用前景。